“业务指标”衡量电商搜索引擎的优劣

本文涉及的产品
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
OpenSearch LLM智能问答版免费试用套餐,存储1GB首月+计算资源100CU
推荐全链路深度定制开发平台,高级版 1个月
简介: 在电商行业中,无论是2B还是2C,最终的业务目的就是交易成单,众所周知搜索服务旨在让消费者能够更快的定位到自己想要的产品,据统计像淘宝这类综合型电商搜索转化交易占整个交易结果的40%以上,垂直类电商的搜索转化更是占整个交易结果的60%以上,所以搜索在电商中的重要性不言而喻,越是拥有海量sku的电商网站,就越依靠搜索,同时对搜索商品的能力要求也就越高。

一般电商搜索的核心是搜索精度和搜索广度,精度就是搜索的精确性,广度就是搜索结果的范围,其关键结果肯定是“为用户找到想要的商品”,但过于追求搜索的精确度就会导致出现搜索的结果比较少或结果为0的情况,用户搜不到商品势必会引发流失,因此在搜索服务里面还可以做的就是给用户提供一些相关性搜索结果。那么搜索做的好不好,其实就是在搜索精度和搜索广度二者之间做一个比较好的平衡点。那如何评定我们的搜索是否可以满足业务需求那?又可以通过哪些场景的优化实践提升我们搜索的整体性能那?


1. 驱动搜索业务价值提升的原因

先和大家回顾一下你是不是也是遇到以下几个情况后,开始思考搜索到底做的怎么样,有什么方法可以评估那?

1.1随机性发现的Bad case
领导或运营人员工作中发现搜索某商品时,无结果率较高,搜索排序体验不好的情况,认为不能完全满足实际用户搜索需求,直接影响整体业务发展,建议开发同学提升搜索效果和搜索体验;

1.2 KPI考核
KPI考核驱动优化提升搜索业务,比如要求CTR提升10%;

1.3.业务方诉求
合作某品牌旗舰店要求优化搜索排序效果;
那接下来我们刨析一下,从哪些方法和角度去评估搜索质量、体验与业务价值

2.业务指标衡量搜索体验与价值

2.1 完整体系化的衡量方法
{40B47192-FFC8-4D96-95A0-4E120C684D2D}_20200729191507.jpg
阿里云开放搜索经过千锤百炼的实践与总结形成了一套体系化的、完整的、持续的评估方法。通过周期性的监控与评估,制定相应的迭代与专项跟进,做A/B Test或灰度后才去放全量,然后再持续进行监控。

2.2核心业务指标
【指标维度】:流量指标、点击类指标、用户分析类指标、Query分析类指标、成交指标。
指标.png
【核心指标】
"搜索PV":指访问搜索页面的次数;
“搜索UV”:访问过搜索结果页的用户数;
“无结果率”:空结果PV/搜索PV,无结果率越低,代表客户搜索需求解决情况越好;
“TOP5 PV—CTR”:指该query search结果中,排在前五位的item有被点击的搜索PV/该query搜索PV该指标能一定程度反应排序效果;
“人均搜索PV”:搜索PV/搜索UV;该指标的含义比较复杂,一方面人均pv大的话可能代表用户对搜索比较感兴趣,但另一方面人均pv大也可能代表搜索召回的结果较差,导致用户无法使用较少的点击找到满足需求的结果;
“有点击搜索PV占比”:有点击搜索PV/搜索PV数;
“PV-CTR”:搜索结果页item点击数/搜索PV数;
“UV-CTR”:点击的uv / 曝光的uv;
“Item-CTR”:搜索结果页item点击数/搜索结果页item总曝光PV数;

通过体系化的业务指标和报表可以清晰反映搜索的质量和用户体验效果,再通过系统的评估服务,找到对应的问题原因和解决方案.

3.搜索技术等级

参考业界对搜索等级的不同定义:
faa125169aa94adbbf4e52670692dce2.png
市面上大部分产品搜索还处L0等级和L1等级的位置。想要实现高效、可持续的高质量搜索价值需要投入大量的人力成本才能达到,这也是很多开源自建用户所面临的问题与挑战。只有一套高效、完整落地的搜索体系才会不断驱动电商业务更好的持续发展。


以上是今天想和大家分享的内容 ,希望能带来一些关于“搜索”新的思路和启发~
预告:接下来几篇内容会通过6个真实的电商搜索场景实践进行刨析,和大家一起聊一聊“如何通过搜索更快更好的提升电商业务价值。”


如果你想与更多开发者们进行交流、了解最前沿的搜索与推荐技术,可以钉钉扫码加入社群~

de4a0a78832849edbd0b7a486148ce2f.png

【开放搜索】新用户活动:阿里云实名认证用户享1个月免费试用~https://www.aliyun.com/product/opensearch

目录
相关文章
|
6月前
|
机器学习/深度学习 存储 搜索推荐
利用机器学习算法改善电商推荐系统的效率
电商行业日益竞争激烈,提升用户体验成为关键。本文将探讨如何利用机器学习算法优化电商推荐系统,通过分析用户行为数据和商品信息,实现个性化推荐,从而提高推荐效率和准确性。
239 14
|
6月前
北极星指标有哪些优缺点
北极星指标有哪些优缺点
109 0
|
数据采集 SQL 运维
巧用指标平台DataIndex,五步法轻松实现指标管理
在业务发展初期,企业需要做好规范的指标管理,以保证随着业务的不断发展,数据化决策能够成为业务强有力的支撑。本文将为大家详解如何通过袋鼠云指标管理平台DataIndex 进行规范化的指标开发管理,轻松开发指标,避免各类指标问题。
890 0
|
3月前
|
Oracle Java 关系型数据库
淘宝粗排问题之引入场景外成交样本以优化全域成交hitrate,如何解决
淘宝粗排问题之引入场景外成交样本以优化全域成交hitrate,如何解决
|
4月前
|
机器学习/深度学习 搜索推荐 算法
利用机器学习算法增强IAA广告定位和预测:实现个性化广告投放以最大化收益
【7月更文第30天】在当今高度竞争的移动应用市场中,应用内广告(IAA)是许多开发者获取收入的重要途径之一。然而,传统的广告推送方式往往忽略了用户的个体差异性,导致广告效果不佳。通过运用机器学习技术,我们可以更准确地理解用户偏好,从而实现个性化的广告推送。
305 0
|
搜索推荐 算法 UED
推荐算法如何影响我们的生活
在生活中,我们经常面对需要决策的问题时,会使用多种策略来帮我们做出决策。诸如“我应该买哪个品牌手机?”,“我应该看哪部电影?”,“中午吃什么好?”等问题。我们做出选择时一般会依赖于朋友的推荐、在线评论、网上搜索和其他方法。 网上购物的兴起只会让这个决策过程变得更加复杂,因为购物者现在面临着更多的选择。互联网让我们从物质匮乏的时代变成了物质丰富的时代! 推荐引擎是帮助我们进行决策的工具。从推荐产品、要观看的电影、微信上的朋友到朋友、要阅读的新闻文章、搜索引擎优化、餐厅等等。在某种程度上,这些算法正在改变我们的决策过程。
219 0
|
机器学习/深度学习 数据采集 数据可视化
数据分析案例-基于随机森林模型探究电商网站推销商品的影响因素
数据分析案例-基于随机森林模型探究电商网站推销商品的影响因素
1013 0
数据分析案例-基于随机森林模型探究电商网站推销商品的影响因素
|
监控 开发者
网站流量日志分析—分析指标和分析模型—漏斗分析模型|学习笔记
快速学习网站流量日志分析—分析指标和分析模型—漏斗分析模型
139 0
网站流量日志分析—分析指标和分析模型—漏斗分析模型|学习笔记
|
监控 大数据 UED
电商项目之总体运营指标流量指标分析|学习笔记
快速学习电商项目之总体运营指标流量指标分析
|
监控 大数据 开发者
电商项目之总体运营指标其他指标分析|学习笔记
快速学习电商项目之总体运营指标其他指标分析